000 | 02872nam a2200229 a 4500 | ||
---|---|---|---|
007 | ta | ||
008 | 170828s2016 us a f ||||| |1|| eng d | ||
020 | 1 | _a9780262035613 | |
082 |
_a006.3 _bG651d _223 _m3 ed. |
||
100 | 1 |
_aGoodfellow, Ian _91035 |
|
245 | 1 | 0 |
_aDeep learning / _cIan Goodfellow, Yoshua Bengio, and Aaron Courville. |
250 | _a3a ed. | ||
260 |
_aCambridge, Massachusetts (USA): _bThe MIT Press, _c2016 |
||
300 | 1 |
_a777 p.: _bil.; _c23 cm. |
|
490 | _aAdaptive computation and machine learning | ||
500 | 1 | _aIncluye índice | |
520 | 1 | _a"Escrito por tres expertos en el campo, Deep Learning es el único libro completo sobre el tema". - Elon Musk, copresidente de OpenAI; cofundador y CEO de Tesla y SpaceXDeep learning es una forma de aprendizaje automático que permite a las computadoras aprender de la experiencia y comprender el mundo en términos de una jerarquía de conceptos. Debido a que la computadora reúne los conocimientos de la experiencia, no es necesario que un operador de computadora humana especifique formalmente todo el conocimiento que la computadora necesita. La jerarquía de conceptos permite que la computadora aprenda conceptos complicados al construirlos a partir de conceptos más simples; un gráfico de estas jerarquías tendría muchas capas de profundidad. Este libro presenta una amplia gama de temas en aprendizaje profundo. El texto ofrece antecedentes matemáticos y conceptuales, que cubren conceptos relevantes en álgebra lineal, teoría de la probabilidad y teoría de la información, computación numérica y aprendizaje automático. Describe las técnicas de aprendizaje profundo utilizadas por los profesionales de la industria, incluidas las redes de avance profundo, la regularización, los algoritmos de optimización, las redes convolucionales, el modelado de secuencias y la metodología práctica; y examina aplicaciones tales como procesamiento de lenguaje natural, reconocimiento de voz, visión artificial, sistemas de recomendación en línea, bioinformática y videojuegos. Finalmente, el libro ofrece perspectivas de investigación, que cubren temas teóricos tales como modelos de factores lineales, autoencoders, aprendizaje de representación, modelos probabilísticos estructurados, métodos de Monte Carlo, la función de partición, inferencia aproximada y modelos generativos profundos. El aprendizaje profundo puede ser utilizado por estudiantes de pregrado o posgrado que planean carreras en la industria o la investigación, y por ingenieros de software que desean comenzar a utilizar el aprendizaje profundo en sus productos o plataformas. Un sitio web ofrece material complementario para lectores e instructores. | |
650 | 0 |
_aAPRENDIZAJE AUTOMÁTICO _930884 |
|
700 |
_aBengio, Yoshua. _eAutor. _940966 |
||
700 |
_aCourville, Aaron. _eAutor. _940967 |
||
942 |
_2ddc _cBK |
||
999 |
_c21036 _d21036 |